Βινάι Κουμάρ Σανκαράπου, Συνιδρυτής & Διευθύνων Σύμβουλος της Arya.ai – Σειρά Συνεντεύξεων

Ο Βινάι Κουμάρ Σανκαράπου, είναι ο Συνιδρυτής & Διευθύνων Σύμβουλος της Arya.ai, μια πλατφόρμα που προσφέρει το ‘AI’ cloud για τις Τράπεζες, Ασφαλιστικές Εταιρείες και Ιδρύματα Χρηματοοικονομικών Υπηρεσιών (BFSI) για να βρουν τα σωστά AI APIs, εξειδικευμένες λύσεις AI και ολοκληρωμένα εργαλεία διακυβέρνησης AI που απαιτούνται για την ανάπτυξη αξιόπιστων και αυτο-μαθούμενων μηχανών AI.

Η προέλευση σας είναι στα μαθηματικά, τη φυσική, τη χημεία και τη μηχανολογία, θα μπορούσατε να συζητήσετε το ταξίδι σας προς τη μετάβαση στην επιστήμη των υπολογιστών και το AI;

Στο IIT Bombay, έχουμε ένα πρόγραμμα ‘Διπλό Πτυχίο’ που παρέχει einen 5-ετή курсό για να καλύψει τόσο το Πτυχίο Τεχνολογίας όσο και το Μεταπτυχιακό Τεχνολογίας. Έκανα Μηχανολογία με ειδίκευση στη ‘Σχεδίαση και Κατασκευή με τη βοήθεια υπολογιστή’, όπου η Επιστήμη των Υπολογιστών είναι μέρος του προγράμματος μας. Για την έρευνά μας μετά το πτυχίο, επέλεξα να εργαστώ πάνω στη Βαθιά Μάθηση. Ενώ ξεκίνησα να χρησιμοποιώ τη Βαθιά Μάθηση για να κατασκευάσω ένα πλαίσιο πρόβλεψης αποτυχίας για τη συνεχής παραγωγή, ολοκλήρωσα την έρευνά μου χρησιμοποιώντας CNNs για την πρόβλεψη RUL. Αυτό ήταν γύρω στο 2013/14.

Εξήγατε την Arya.ai ενώ ακόμη βρίσκεστε στο κολέγιο, θα μπορούσατε να μοιραστείτε την ιστορία πίσω από αυτή την εκκίνηση;

Ως μέρος της ακαδημαϊκής έρευνας, μας ζητήθηκε να περάσουμε 3-4 μήνες σε μια βιβλιογραφική ανασκόπηση για να δημιουργήσουμε μια λεπτομερή μελέτη sobre το θέμα ενδιαφέροντος, το πεδίο εργασίας που είχε γίνει μέχρι τώρα και τι θα μπορούσε να είναι ένα πιθανό πεδίο εστίασης για την έρευνά μας. Κατά τη διάρκεια του 2012/13, τα εργαλεία που χρησιμοποιούσαμε ήταν khá βασικά. Οι μηχανές αναζήτησης όπως ο Google Scholar και ο Scopus έκαναν μόνο μια αναζήτηση με λέξεις-κλειδιά. Ήταν πραγματικά δύσκολο να κατανοήσουμε τον όγκο της γνώσης που ήταν διαθέσιμη. Νομίζω ότι αυτό το πρόβλημα θα χειροτερέψει. Το 2013, νομίζω ότι τουλάχιστον 30+ έγγραφα δημοσιεύθηκαν κάθε λεπτό. Σήμερα, αυτό είναι τουλάχιστον 10x-20x περισσότερο.

Θελήσαμε να κατασκευάσουμε einen ‘AI’ βοηθό σαν einen ‘καθηγητή’ για τους ερευνητές για να τους βοηθήσουμε να προτείνουν ένα θέμα έρευνας, να βρουν einen κατάλληλο論文 που είναι ο πιο ενημερωμένος και οτιδήποτε γύρω από την έρευνα STEM. Με την εμπειρία μας στη βαθιά μάθηση, σκεφτήκαμε ότι θα μπορούσαμε να λύσουμε αυτό το πρόβλημα. Το 2013, ξεκινήσαμε την Arya.ai με μια ομάδα 3 ατόμων και στη συνέχεια επεκταθήκαμε σε 7 άτομα το 2014 ενώ ακόμη βρίσκομαι στο κολέγιο.

Η πρώτη μας έκδοση του προϊόντος κατασκευάστηκε με τη λήψη περισσότερων από 30 εκατομμυρίων εγγράφων και περίληψης. Χρησιμοποιήσαμε τις τελευταίες τεχνικές στη βαθιά μάθηση εκείνη την εποχή για να κατασκευάσουμε einen AI βοηθό STEM έρευνας και einen контекстουαλιστικό μηχανή αναζήτησης για STEM. Αλλά όταν παρουσίασα τον AI βοηθό σε quelques καθηγητές και ομοτίμους, συνειδητοποίησα ότι ήμασταν πολύ νωρίς. Οι ροές συνομιλίας ήταν περιορισμένες και οι χρήστες περίμεναν μια ελεύθερη ροή και συνεχείς συνομιλίες. Οι προσδοκίες ήταν πολύ αρεστές εκείνη την εποχή (2014/15) ακόμη και αν απαντούσε σε σύνθετα ερωτήματα.

Μετά από αυτό, στράφηκα να χρησιμοποιήσω την έρευνά μας και να εστιάσω στις ML εργαλεία για ερευνητές και επιχειρήσεις ως einen εργαλείο για να δημοκρατικοποιήσω τη βαθιά μάθηση. Αλλά και πάλι, πολύ λίγοι επιστήμονες δεδομένων χρησιμοποιούσαν τη βαθιά μάθηση το 2016. Έτσι, ξεκινήσαμε να κατασκευάζουμε ειδικές στρώσεις προϊόντων για einen κάθετη, δηλαδή τις Χρηματοοικονομικές Υπηρεσίες Ιδρύματα (FSIs). Γνώριζα ότι αυτό θα δούλεψε γιατί ενώ οι μεγάλες εταιρείες στοχεύουν να κερδίσουν τον οριζόντιο αγώνα, η κάθετη μπορεί να δημιουργήσει einen μεγάλο USP για τις startups. Αυτή τη φορά ήμασταν σωστοί!

Κατασκευάζουμε το AI cloud για τις Τράπεζες, Ασφαλιστικές Εταιρείες και Χρηματοοικονομικές Υπηρεσίες με τις πιο εξειδικευμένες κάθετες στρώσεις για να παραδώσουμε κλιμακωτές και υπεύθυνες λύσεις AI.

Πόσο μεγάλο είναι το πρόβλημα του ‘AI’ μαύρου κουτιού στις χρηματοοικονομικές υπηρεσίες;

Εξαιρετικά σημαντικό! Μόνο το 30% των χρηματοοικονομικών ιδρυμάτων χρησιμοποιούν το ‘AI’ στο πλήρες δυναμικό του. Ενώ ένας από τους λόγους είναι η προσβασιμότητα, ένας άλλος είναι η έλλειψη ‘AI’ εμπιστοσύνης και ελέγχου. Οι κανονισμοί είναι τώρα σαφείς σε quelques γεωγραφικές περιοχές σχετικά με τις νομικές πτυχές της χρήσης του AI για χαμηλές, μεσαίες και υψηλές ευαίσθητες περιπτώσεις. Απαιτείται από τον νόμο στην ΕΕ να χρησιμοποιούνται διαφανείς μοντέλα για ‘υψηλού κινδύνου’ περιπτώσεις. Πολλές περιπτώσεις στις χρηματοοικονομικές υπηρεσίες είναι υψηλού κινδύνου περιπτώσεις. Έτσι, απαιτείται να χρησιμοποιούν διαφανή μοντέλα.

Οι κύκλοι υπεροπτιμισμού επίσης εξομαλύνουν λόγω των πρώτων εμπειριών με λύσεις AI. Υπάρχουν ένας αυξανόμενος αριθμός παραδειγμάτων σε πρόσφατο χρόνο σχετικά με τις επιπτώσεις της χρήσης ‘AI’ μαύρου κουτιού, αποτυχίες του ‘AI’ λόγω της μη παρακολούθησης και προκλήματα με νομικούς και διαχειριστές κινδύνου λόγω περιορισμένης ελεγκτικής.

Θα μπορούσατε να συζητήσετε τη διαφορά μεταξύ ML παρακολούθησης και ML παρατηρησιμότητας;

 Η δουλειά ενός εργαλείου παρακολούθησης είναι απλά να παρακολουθεί και να ειδοποιεί. Και η δουλειά ενός εργαλείου παρατηρησιμότητας είναι όχι μόνο να παρακολουθεί και να αναφέρει, αλλά κυρίως να παρέχει αρκετά στοιχεία για να βρει τους λόγους για την αποτυχία ή να προβλέψει αυτές τις αποτυχίες με την πάροδο του χρόνου.

Στο AI/ML, αυτά τα εργαλεία παίζουν einen κρίσιμο ρόλο. Ενώ αυτά τα εργαλεία μπορούν να παραδώσουν τους απαιτούμενους ρόλους ή παρακολούθηση, ο σκοπός της ML παρατηρησιμότητας

Γιατί χρειάζονται βιομηχανικοί πλατφόρμες για ML παρατηρησιμότητα αντί για γενικούς σκοπούς πλατφόρμες;

Οι γενικοί σκοποί πλατφόρμες σχεδιάζονται για όλους και κάθε περίπτωση, ανεξάρτητα από τη βιομηχανία– οποιοσδήποτε χρήστης μπορεί να έρθει στο σίτι και να αρχίσει να χρησιμοποιεί την πλατφόρμα. Οι πελάτες αυτών των πλατφορμών είναι συνήθως dévelopers, επιστήμονες δεδομένων κ.λπ. Οι πλατφόρμες, ωστόσο, δημιουργούν العديد από προκλήματα για τους ενδιαφερόμενους λόγω της σύνθετης φύσης και της ‘μία μέγεθος ταιριάζει σε όλους’ προσέγγισης.

Δυστυχώς, οι περισσότερες επιχειρήσεις σήμερα απαιτούν εμπειρογνώμονες δεδομένων για να χρησιμοποιήσουν γενικούς σκοπούς πλατφόρμες και χρειάζονται πρόσθετες λύσεις/στρώσεις προϊόντων για να κάνουν αυτά τα μοντέλα ‘χρήσιμα’ από τους τελικούς χρήστες σε κάθε κάθετη. Αυτό περιλαμβάνει εξηγησιμότητα, ελεγκτική, τμήματα/σενάρια, διαδικασίες ανθρώπου-στη-βρόχη, ετικέτα ανατροφοδότησης, ελεγκτική, εργαλεία-ειδικές διαδικασίες κ.λπ.

Αυτή είναι η στιγμή όπου οι βιομηχανικοί AI πλατφόρμες έρχονται ως πλεονέκτημα. Eine βιομηχανική AI πλατφόρμα κατέχει ολόκληρη τη διαδικασία για να λύσει einen στόχο του πελάτη ή περιπτώσεις και αναπτύσσεται για να παρέχει ένα ολοκληρωμένο προϊόν από άκρη σε άκρη, από την κατανόηση των επιχειρηματικών αναγκών έως την παρακολούθηση της απόδοσης του προϊόντος. Υπάρχουν العديد από βιομηχανικά εμπόδια, όπως κανονιστικοί και συμμόρφωση πλαισίων, απαιτήσεις προστασίας δεδομένων, ελεγκτική και έλεγχο απαιτήσεις, κ.λπ.  Οι βιομηχανικές AI πλατφόρμες και προσφέρουν επιταχύνουν την υιοθέτηση του AI και συντομεύουν το μονοπάτι προς την παραγωγή μειώνοντας τον χρόνο ανάπτυξης και τους συνδεδεμένους κινδύνους στην αναπτυξιακή διαδικασία του AI. Επιπλέον, αυτό θα βοηθήσει επίσης να φέρει μαζί την εμπειρογνωσία του AI στη βιομηχανία ως στρώση προϊόντος που βοηθά να βελτιώσει την αποδοχή του ‘AI’, να ωθήσει τις προσπάθειες συμμόρφωσης και να βρει κοινές προσεγγίσεις σε ηθικά, εμπιστοσύνη και φήμη.

Θα μπορούσατε να μοιραστείτε κάποιες λεπτομέρειες για την ML παρατηρησιμότητα πλατφόρμα που προσφέρεται από την Arya.ai;

Έχουμε εργαστεί σε χρηματοοικονομικές υπηρεσίες ιδρύματα για περισσότερα από 6+ χρόνια. Από το 2016. Αυτό μας έδωσε πρώιμη έκθεση σε μοναδικά προκλήματα στην ανάπτυξη σύνθετου AI σε FSIs. Ένα από τα σημαντικά προκλήματα ήταν η ‘AI’ αποδοχή. Αντιθέτως με άλλες κάθετες, υπάρχουν πολλοί κανονισμοί για την χρήση οποιασδήποτε λογισμικού (επίσης ισχύουν για ‘AI’ λύσεις), προστασία δεδομένων, ηθική και κυρίως, η χρηματοοικονομική επιρροή στην επιχείρηση. Για να αντιμετωπίσουμε αυτά τα προκλήματα σε κλίμακα, μας έπρεπε να εφευρίσουμε συνεχώς και να προσθέσουμε νέες στρώσεις εξηγησιμότητας, ελέγχου, κινδύνου και ευθύνης πάνω από τις λύσεις μας – διαδικασία αξιολόγησης, υπογραφή, ανίχνευση απάτης κ.λπ. Με την πάροδο του χρόνου, κατασκευάσαμε einen αποδεκτό και κλιμακωτό ML παρατηρησιμότητα πλαίσιο για διάφορους ενδιαφερόμενους στη χρηματοοικονομική υπηρεσία βιομηχανία.

Τώρα, κυκλοφορούμε eine DIY έκδοση του πλαισίου ως AryaXAI (xai.arya.ai). Οποιοσδήποτε ML ή επιχειρηματική ομάδα μπορεί να χρησιμοποιήσει το AryaXAI για να δημιουργήσει einen highly ολοκληρωμένη AI διακυβέρνηση για κρίσιμες περιπτώσεις.  Η πλατφόρμα φέρνει διαφάνεια και ελεγκτική στις λύσεις AI που είναι αποδεκτές από κάθε ενδιαφερόμενο. Το AryaXAI κάνει το AI ασφαλέστερο και αποδεκτό για κρίσιμες περιπτώσεις παρέχοντας eine αξιόπιστη και ακριβή εξηγησιμότητα, προσφέροντας στοιχεία που μπορούν να υποστηρίξουν την εποπτεία κανονισμών, διαχείριση της αβεβαιότητας του AI παρέχοντας προηγμένα ελέγχους πολιτικής και εξασφαλίζοντας τη συνέπεια στην παραγωγή με την παρακολούθηση δεδομένων ή μοντέλου διαφυγής και ειδοποιώντας τους χρήστες με ανάλυση αιτίας.

Το AryaXAI επίσης ενεργεί ως κοινοί διαδικασίες και παρέχει εποπτικές που είναι αποδεκτές από όλους τους ενδιαφερόμενους – Επιστήμονες δεδομένων, IT, Κίνδυνος, Λειτουργίες και συμμόρφωση ομάδες, καθιστώντας την αναπτυξιακή διαδικασία και τη συντήρηση των μοντέλων AI/ML ομαλή και ακαταμάχητη.

Μια άλλη λύση που προσφέρεται είναι μια πλατφόρμα που βελτιώνει την εφαρμοσιμότητα του ML μοντέλου με την εφαρμογή πολιτικής σε контекστο. Θα μπορούσατε να περιγράψετε τι είναι αυτό συγκεκριμένα;

Γίνεται δύσκολο να παρακολουθήσετε και να ελέγξετε τα ML μοντέλα στην παραγωγή, λόγω του μεγάλου όγκου των χαρακτηριστικών και προβλέψεων. Επιπλέον, η αβεβαιότητα της συμπεριφοράς του μοντέλου κάνει δύσκολο να διαχειριστείτε και να τυποποιήσετε τη διακυβέρνηση, τον κίνδυνο και τη συμμόρφωση. Такие αποτυχίες των μοντέλων μπορούν να οδηγήσουν σε βαριές φήμες και χρηματοοικονομικές απώλειες.

Το AryaXAI προσφέρει ‘Πολιτική/Ελέγχους κινδύνου’, einen κρίσιμο συνιστώσα που διατηρεί τα επιχειρηματικά και ηθικά ενδιαφέροντα με την επιβολή πολιτικών στο AI. Οι χρήστες μπορούν εύκολα να προσθέσουν/τροποποιήσουν/τροποποιήσουν πολιτικές για να διοικήσουν ελέγχους πολιτικής. Αυτό επιτρέπει στις διαλειτουργικές ομάδες να ορίσουν ελέγχους πολιτικής για να εξασφαλίσουν τη συνεχή αξιολόγηση κινδύνου, προστατεύοντας την επιχείρηση από την αβεβαιότητα του AI.

Τι είναι einige παραδείγματα περιπτώσεων χρήσης για αυτά τα προϊόντα;

Το AryaXAI μπορεί να εφαρμοστεί σε διάφορες κρίσιμες διαδικασίες σε όλες τις βιομηχανίες. Τα πιο κοινα παραδείγματα είναι:

BFSI: Σε ένα περιβάλλον κανονιστικής αυστηρότητας, το AryaXAI κάνει εύκολο για την BFSI βιομηχανία να ευθυγραμμίσει τις απαιτήσεις και να συλλέξει τα στοιχεία που χρειάζονται για να διαχειριστεί τον κίνδυνο και να εξασφαλίσει τη συμμόρφωση.

• Αξιολόγηση πίστωσης για ασφαλισμένες/μη ασφαλισμένες δανειακές
• Ανίχνευση απάτης/υποψίας συναλλαγών
• Ελεγκτική
• Διαχείριση κύκλου ζωής πελάτη
• Αποφάσεις πίστωσης

Αυτόνομες αυτοκίνητα: Αυτόνομες αυτοκίνητα πρέπει να τηρήσουν κανονιστική αυστηρότητα, λειτουργική ασφάλεια και εξηγησιμότητα σε πραγματικό χρόνο αποφάσεων. Το AryaXAI επιτρέπει την κατανόηση του πώς το AI σύστημα αλληλεπιδρά με το όχημα

• Ανάλυση αποφάσεων
• Λειτουργίες αυτόνομου οχήματος
• Δεδομένα υγείας οχήματος
• Παρακολούθηση συστήματος AI οδήγησης

Υγεία: Το AryaXAI προσφέρει βαθύτερες εποπτικές από ιατρικές, τεχνολογικές, νομικές και ασθενών προοπτικές. Από την ανακάλυψη φαρμάκων έως την παραγωγή, τις πωλήσεις και την marketing, το Arya-xAI προάγει την πολυ-επιστημονική συνεργασία

• Ανακάλυψη φαρμάκων
• Κλινική έρευνα
• Επαλήθευση δεδομένων κλινικής δοκιμής
• Υψηλότερη ποιότητα φροντίδας

Τι είναι η όρασή σας για το μέλλον της μηχανικής μάθησης στις χρηματοοικονομικές υπηρεσίες;

Κατά τη διάρκεια της τελευταίας δεκαετίας, υπήρχε ένας τεράστιος εκπαιδευτικός και marketing γύρω από το ‘AI’. Έχουμε δει πολλούς κύκλους υπεροπτιμισμού κατά τη διάρκεια αυτής της περιόδου. Θα μπορούσαμε να είμαστε στο 4ο ή 6ο κύκλο υπεροπτιμισμού τώρα. Ο πρώτος είναι όταν η Βαθιά Μάθηση κέρδισε το ImageNet το 2011/12, ακολουθούμενο από εργασία γύρω από την ταξινόμηση εικόνων/κειμένου, αναγνώριση ομιλίας, αυτόνομες αυτοκίνητα, γενετική AI και τώρα με τα μεγάλα γλωσσικά μοντέλα. Η διαφορά μεταξύ του πίκου υπεροπτιμισμού και της μαζικής χρήσης μειώνεται με κάθε κύκλο υπεροπτιμισμού λόγω των επαναλήψεων γύρω από το προϊόν, την ζήτηση και τη χρηματοδότηση.

Αυτά τα τρία έχουν συμβεί τώρα:

1. Νομίζω ότι έχουμε σπάσει το πλαίσιο της κλίμακας για λύσεις AI, τουλάχιστον από quelques εμπειρογνώμονες. Για παράδειγμα, η Open AI είναι τώρα μια μη κερδοσκοπική οργάνωση, αλλά προβλέπει να κάνει 1 δισεκατομμύριο δολάρια σε έσοδα μέσα σε 2 χρόνια. Ενώ δεν κάθε AI εταιρεία μπορεί να επιτύχει παρόμοια κλίμακα, το πρότυπο της κλιμάκωσης είναι πιο σαφές.
2.  Η ορισμός των ιδανικών λύσεων AI είναι σχεδόν σαφής από όλες τις κάθετες: Αντίθετα με πριν, όπου το προϊόν κατασκευαζόταν μέσω επαναλαμβανόμενων πειραμάτων για κάθε περίπτωση και κάθε οργανισμό, οι ενδιαφερόμενοι είναι ολοένα και πιο εκπαιδευμένοι για να κατανοήσουν τι χρειάζονται από λύσεις AI.
3.  Οι κανονισμοί είναι τώρα πίσω: Η ανάγκη για σαφείς κανονισμούς γύρω από την προστασία δεδομένων και τη χρήση του AI είναι τώρα που κερδίζει μεγάλη κίνηση. Οι κυβερνητικές και κανονιστικές αρχές είναι σε θέση να δημοσιεύσουν ή είναι στην διαδικασία δημοσίευσης πλαισίων που απαιτούνται για την ασφαλή, ηθική και υπεύθυνη χρήση του AI.

Τι είναι το επόμενο;

Η έκρηξη του ‘Model-as-a-service(MaaS)’:

Θα δούμε μια αυξανόμενη ζήτηση για ‘Model-as-a-service’ προτάσεις όχι μόνο οριζόντια αλλά και κάθετα. Ενώ η ‘OpenAI’ αντιπροσωπεύει einen καλό παράδειγμα ‘Οριζόντιου MaaS’, η Arya.ai είναι einen παράδειγμα κάθετου ‘MaaS’. Με την εμπειρία των αναπτύξεων και των συνόλων δεδομένων, η Arya.ai έχει συλλέξει κρίσιμα κάθετα σύνολα δεδομένων που χρησιμοποιούνται για να εκπαιδεύσουν μοντέλα και να τα παρέχουν ως plug-and-use ή pre-εκπαιδευμένα μοντέλα.

Η κάθετωση είναι το νέο οριζόντιο: Έχουμε δει αυτή τη τάση στην ‘Cloud υιοθέτηση’. Ενώ οι οριζόντιοι cloud παίκτες εστιάζουν σε ‘πλατφόρμες για όλους’, οι κάθετοι παίκτες εστιάζουν στις απαιτήσεις του τελικού χρήστη και τις παρέχουν ως εξειδικευμένη στρώση προϊόντος. Αυτό είναι αλήθεια ακόμη και για MaaS προτάσεις.

XAI και AI διακυβέρνηση θα γίνει κανόνας στις επιχειρήσεις: Ανάλογα με την ευαισθησία των κανονισμών, κάθε κάθετη θα επιτύχει einen αποδεκτή XAI και πλαίσιο διακυβέρνησης που θα εφαρμοστεί ως μέρος του σχεδιασμού, αντί να αντιμετωπίζεται ως πρόσθετο.

Γενετική AI σε πίνακες δεδομένων μπορεί να δει τους κύκλους υπεροπτιμισμού στις επιχειρήσεις: Η δημιουργία συνθετικών συνόλων δεδομένων είναι υποτιθέμενη eine από τις εύκολες λύσεις για να λύσει τα προβλήματα δεδομένων στις επιχειρήσεις. Οι ομάδες επιστημόνων δεδομένων θα προτιμούσαν αυτό το πρόβλημα είναι στο έλεγχό τους, αντί να βασίζονται στην επιχείρηση, καθώς μπορεί να πάρει χρόνο, να είναι ακριβό και να μην ακολουθήσει όλα τα βήματα ενώ συλλέγει δεδομένα. Τα συνθετικά δεδομένα λύνουν προβλήματα μεροληψίας, ανισορροπίας δεδομένων, προστασίας δεδομένων και ανεπαρκούς δεδομένων. Βέβαια, η αποτελεσματικότητα αυτής της προσέγγισης είναι ακόμη να αποδειχθεί. Ωστόσο, με περισσότερη ωριμότητα σε νέες τεχνικές όπως οι μετασχηματισμοί, μπορεί να δούμε περισσότερη πειραματική χρήση σε παραδοσιακά σύνολα δεδομένων όπως πίνακες και πολυδιάστατα δεδομένα. Με επιτυχία, αυτή η προσέγγιση μπορεί να έχει τεράστια επίδραση στις επιχειρήσεις και MaaS προτάσεις.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την Arya.ai;

Ο στόχος της Arya.ai είναι να λύσει το ‘AI’ για τις Τράπεζες, Ασφαλιστικές Εταιρείες και Χρηματοοικονομικές Υπηρεσίες. Η προσέγγισή μας είναι η κάθετωση της τεχνολογίας στην τελευταία στρώση και την καθιστά χρήσιμη και αποδεκτή από κάθε οργανισμό και ενδιαφερόμενο.

Το AryaXAI (xai.arya.ai) θα παίξει einen σημαντικό ρόλο στην παράδοση του σε μαζικό επίπεδο μέσα στην FSI κάθετη. Η συνεχής μας έρευνα σε συνθετικά δεδομένα κατέστησε επιτυχημένη σε quelques περιπτώσεις, αλλά
aim to make it a more viable and acceptable option. We will continue to add more layers to our ‘AI’ cloud to serve our mission. I think we are going to see more startups like Arya.ai, not just in FSI vertical but in every vertical. Thank you for the great interview, readers who wish to learn more should visit Arya.ai.